La navegació autònoma de drons en entorns densos i desordenats representa un dels reptes més complexos de la robòtica moderna. Els sistemes tradicionals solen dividir el problema en dues etapes independents: primer construeixen un mapa geomètric de l'entorn, generalment basat en ocupació binària (obstacle sí o no), i després planifiquen una trajectòria segura sobre aquest mapa. Aquesta separació té limitacions: la informació d'ocupació és pobra per optimitzar trajectòries, i el tractament per etapes incrementa la latència i redueix la robustesa. Una alternativa emergent és utilitzar una representació unificada basada en funcions de distància amb signe (SDF), que codifica la distància a l'obstacle més proper i proporciona un gradient continu i ric per a la planificació i optimització. Aquest article explora com la combinació d'una xarxa octree residual (OREN) per a la reconstrucció online de SDFs i un planificador basat en bombolles de col·lisió màxima (Bubble★) permet a un quadricòpter navegar en temps real amb eficiència i garanties formals, i com empreses com Q2BSTUDIO poden integrar aquestes tecnologies en solucions de programari a mida per a la indústria.
La funció de distància amb signe (SDF) assigna a cada punt de l'espai un valor que indica la distància a l'obstacle més proper, amb signe positiu fora dels obstacles i negatiu dins. A diferència d'un mapa d'ocupació binari, l'SDF proporciona informació suau i diferenciable, essencial per a algorismes d'optimització de trajectòries basats en gradients. A més, l'SDF permet detectar col·lisions de manera eficient: si el valor a la posició del dron és menor que el radi del vehicle, hi ha col·lisió. Aquesta propietat és clau per a planificadors que poden explotar la informació de distància per crear regions lliures de col·lisió. En els darrers anys, els mètodes d'aprenentatge profund han demostrat gran precisió en l'estimació d'SDFs a partir de núvols de punts, però sovint són massa lents per a aplicacions en temps real. Aquí és on entra l'arquitectura Octree REsidual Network (OREN), que combina un prior explícit d'octree amb una xarxa neuronal residual implícita. L'octree proporciona una estructura volumètrica eficient que permet consultes ràpides, mentre que el residual neuronal refina l'estimació per aconseguir precisió sub-voxel. Aquesta sinergia aconsegueix un rendiment comparable a mètodes volumètrics en velocitat, però amb l'exactitud i diferenciabilitat de les xarxes neuronals. Els experiments reportats mostren que OREN millora l'estimació de l'SDF en un 22% respecte a línies base tradicionals, i pot executar-se en el maquinari incrustat d'un dron amb recursos limitats.
Paral·lelament, el planificador Bubble★ aprofita la informació de distància de l'SDF per construir bombolles de col·lisió màxima: esferes que s'expandeixen fins a tocar l'obstacle més proper. En lloc d'explorar un espai d'estats discretitzat en una graella, Bubble★ crea un graf on cada node és una bombolla i les arestes representen transicions factibles entre bombolles. Això redueix dràsticament el nombre de comprovacions de col·lisió respecte a un A★ clàssic sobre graella. El planificador ofereix garanties formals de terminació, completitud (si existeix un camí el troba) i detecció de fallades (si no existeix, ho comunica). La seqüència de bombolles resultant forma un corredor segur per a l'optimització de trajectòries, que es pot suavitzar amb tècniques com mínims quadrats o splines. En les proves amb un quadricòpter real, Bubble★ troba trajectòries de fins a 90 metres en entorns desordenats en només 1-3 segons, mentre que els mètodes de referència necessiten fins a 10 segons per al mateix escenari. Aquesta eficiència és crucial per a aplicacions com inspecció industrial, logística de magatzems o resposta a emergències, on el dron ha de reaccionar en mil·lisegons a canvis en l'entorn.
Des d'una perspectiva empresarial, integrar sistemes de mapeig SDF en temps real i planificació accelerada per distància en un producte comercial requereix més que un algorisme punter. Cal una arquitectura de programari robusta que gestioni la captura de dades de sensors (LIDAR, càmeres de profunditat), la inferència del model OREN en unitats de processament incrustades (GPU NVIDIA Jetson, Qualcomm RB5), la comunicació amb l'estació base, i la interfície amb el controlador de vol. A més, el programari ha de ser modular, mantenible i escalable per a diferents configuracions de maquinari i escenaris operatius. Aquí és on Q2BSTUDIO, com a empresa especialitzada en desenvolupament de programari i tecnologia, aporta la seva experiència. Q2BSTUDIO ofereix serveis d'intel·ligència artificial que permeten dissenyar i entrenar models OREN personalitzats per a cada client, optimitzant el rendiment segons el tipus de sensor i l'entorn. També desenvolupa aplicacions a mida i programari multiplataforma, incloent sistemes de control de vol, interfícies d'usuari i pipelines de dades. La integració amb serveis cloud (AWS, Azure) és fonamental per emmagatzemar mapes, processar dades històriques i desplegar flotes de drons amb monitorització remota. Q2BSTUDIO compta amb experiència en cloud AWS i Azure, implementant solucions serverless per al preprocessament de núvols de punts i l'actualització de models en temps real.
La ciberseguretat és un altre pilar crític en sistemes autònoms connectats. Un dron mal protegit pot ser vulnerat, permetent accés no autoritzat al control de vol o a dades sensibles. Q2BSTUDIO ofereix serveis de ciberseguretat i pentesting per garantir que les comunicacions, l'emmagatzematge i els models d'IA estiguin protegits contra atacs. Així mateix, la intel·ligència de negoci (BI) té un paper en la monitorització de la flota: mitjançant dashboards a Power BI, els operadors poden visualitzar mètriques de rendiment, anomalies en les trajectòries i eficiència energètica. Q2BSTUDIO desenvolupa solucions de BI i Power BI que s'integren amb els sistemes de telemetria dels drons, proporcionant una visió completa de l'estat operatiu. Finalment, la tendència cap a agents d'IA autònoms que prenguin decisions en vol sense intervenció humana és cada cop més rellevant. Q2BSTUDIO investiga i desenvolupa agents d'IA que, basats en SDF i planificació en temps real, poden adaptar-se a entorns dinàmics, com magatzems amb personal en moviment o escenaris de cerca i rescat.
En conclusió, la combinació de SDF en temps real amb planificadors que exploten la informació de distància representa un salt qualitatiu en la navegació autònoma de UAVs. L'arquitectura OREN i Bubble★ demostren que és possible aconseguir eficiència, precisió i garanties formals en maquinari incrustat, obrint la porta a aplicacions comercials fiables. No obstant, portar aquestes innovacions del laboratori al mercat requereix una enginyeria de programari acurada, integració amb infraestructura cloud, ciberseguretat robusta i eines de BI que permetin la seva operació a escala. Q2BSTUDIO, amb el seu enfocament en aplicacions a mida, IA, cloud, ciberseguretat i business intelligence, està en una posició ideal per acompanyar empreses de drons, logística i inspecció en aquest procés de transformació. El futur de la mobilitat aèria autònoma depèn d'ecosistemes de programari sòlids, i a Q2BSTUDIO treballem per construir-los.
